Congratulazioni!

Introduzione agli Embeddings con l'API di OpenAI

Emmanuel Pire

Senior Software Engineer, DataCamp

Capitolo 1 - Cosa sono gli Embedding?

Embedding: rappresentazione testuale vettoriale/numerica
Catturano il significato semantico del testo
Usato il modello di Embedding di OpenAI
Puoi usare la distanza coseno per trovare testi simili
Abilita ricerca semantica, recommendation engine, ecc.

Un grafico di uno spazio vettoriale 2D che mostra che le recensioni con stesso sentimento e tema sono mappate più vicine tra loro nello spazio.

Capitolo 2 - Embedding per applicazioni IA

Ricerca semantica e raccomandazioni

Una query di ricerca incorporata nello spazio vettoriale accanto a vari articoli incorporati su temi diversi.

Classificazione

Descrizioni di classi incorporate nello spazio vettoriale, con un vettore sconosciuto assegnato all’etichetta Tech.

Capitolo 3 - Database vettoriali

Schema che mostra come un database vettoriale (qui Chroma) memorizza embedding di documenti e restituisce risultati all’utente in base a una query incorporata.

E adesso?

Database vettoriali gestiti nel cloud

Pinecone:
- Semantic Search with Pinecone (Code-along)
Weaviate:
- Vector Databases for Data Science with Weaviate in Python (Code-along)

Framework per creare applicazioni

LangChain:
- How to Build LLM Applications with LangChain (Tutorial)
- Introduction to Large Language Models with GPT & LangChain (Code-along)

Passiamo alla pratica!

Introduzione agli Embeddings con l'API di OpenAI